未來三年覆蓋100萬輛車，毫末智行360T算力之下還有一個「雪湖」

機器之心報道

機器之心編輯部

十億元融資的同時，毫末的資料智慧完成了體系化打造，已形成資料閉環與產品閉環。

「毫末的同學們用瘋狂的工作熱情，在 24 個月內打造了 12 款產品，」毫末智行 CEO 顧維灝說道。「我們乘用車的首款產品魏牌摩卡在不到七個月的時間裡，輔助駕駛里程已經突破 400 萬公里，使用者非常喜愛我們提供的新功能。」

說到國內發展速度最快的自動駕駛公司，可能非毫末智行莫屬。12 月 23 日，在毫末智行 AI Day 活動中，這家國內自動駕駛獨角獸公佈了一組亮眼的落地資料，同時宣佈推出國內首個自動駕駛資料智慧體系 MANA。

在新體系加持下，明年中量產搭載「小魔盒 3。0」的汽車上，自動駕駛系統將實現巨大進步，毫末智行表示，透過將資料、演算法、應用系統高度整合起來，城市場景自動駕駛的挑戰已被解決。MANA 作為毫末 AI 的底層系統，將成為資料智慧進化的核心動力。

資料是人工智慧最大的驅動力，也是最大的成本。自動駕駛產品的進化是一個長期過程，所以毫末資料智慧的核心，就是降低成本、提高迭代速度。顧維灝將其比喻為毫末資料智慧的「思想鋼印」。

資料智慧體系 MANA

MANA 是一個完整的智慧駕駛資料智慧體系，一舉把毫末智行在自動駕駛領域中從資料探勘、知識再到車端應用的能力全部打通，之前相對獨立的點被串聯了起來。

MANA 包含四個子系統，其中：

LUCAS 是對演算法在應用場景上的實踐，包括高效能計算、診斷、驗證、轉化等核心能力。

TARS 主要是車端能力，包含關於計算的核心演算法原型，用於感知、認知、車端建圖、驗證及實踐。

VENUS 是資料視覺化系統，展示軟體和演算法執行情況，對場景進行還原，同時也有資料洞察等能力。

在這些功能之下是基礎層 BASE，負責資料的獲取、傳輸、儲存、計算，以及新資料分析和服務。

MANA 的第一個進步是資料利用效率的升級，實現了 AI 演算法「後融合」到「前融合」的演進。

後融合方法是當前業界大多數公司通行的思路，自動駕駛系統透過多工學習來自感測器資料不同的特徵層，再透過不同任務實現分割，檢測等任務。

這樣做最大的問題就是無法高效利用多感測器的配合。利用近年來跨模態演算法和時間序列演算法的進步，毫末的工程師們實現了前融合方法。

在新正規化下，自動駕駛演算法首先把從攝像頭和 LiDAR 的感知中間結果，經過基於 Transformer 框架的多模態模型融合對映到張量空間中。然後加入時序的特徵，使用迴圈神經網路 RNN 和光流 SLAM 進行時空融合，獲得了時空一體的模型，在此基礎上再進行多 head 計算，進行決策推理。

這種演算法配合汽車上越來越多的感測器，將實用化的自動駕駛從高速路拓展到了城市場景。

透過前融合方法，從相機、點雲上提取的特徵在張量層次被拼接到俯檢視視角的一張圖上，在 3D 維度上檢測車道線，道路和車輛、行人等物體，該方法有效提高了障礙物，車道線檢測的能力，讓機器可以更準確地刻畫現實世界。

從感知躍升到認知，MANA 帶來了哪些啟示？

在 AI 能力大規模應用的今天，讓機器獲得視覺、聽覺、觸覺等能力的感知智慧承擔了與真實世界進行互動的大部分工作。但對於人工智慧來說，認知和推理能力才是未來方向。

認知智慧即「能理解會思考」，需要擁有處理複雜的事實和情形的能力。毫末智行希望透過 MANA 的加持，讓自動駕駛超越感知智慧的範疇。

此前，絕大多數公司使用的演算法源自傳統機器人理論，透過規則求解的方式進行決策規劃。相比高速公路，城市中的路況會複雜很多倍，只有像人類一樣實行決策的系統才能夠勝任。

認知和感知存在顯著差別：感知有完全白盒的標準，沒有歧義，演算法需要利用巨量資料去保證覆蓋掉所有特殊情況。認知則沒有這樣可解釋、可量化的，且存在共識的評價標準。

根據模仿學習演算法直接生成駕駛決策。毫末智行在這個方向進行了很多實踐，也有了一些收穫。

毫末智行提出了認知三要素：安全、舒適與高效，在此之上實現的「基於協同場景安全的認知系統」CSS 包括專家系統和深度學習系統，其決策除了基礎規則以外，還參考了從資料中學習到的，其他交通參與者行為的理解和歷史經驗。

我們也可以看出，MANA 體系實踐了很多深度強化學習。首先定義好得分的目標函式，它是一個機率函式，表徵了在某個場景下人類動作和交通規則約束下該做的動作的機率。實踐 6 種強化深度學習的演算法，發現 RSAC 更適用於不同場景的研究，能夠更快收斂，能夠得分最高，能夠走的更遠。

由於舒適與高效很多時候並不能同時顧及，自動駕駛系統會學習駕駛者的風格，從資料中學習不同量化標準。

簡單說來就是，你開得更激進還是更穩當，AI 演算法在學習了你的風格後會做同樣的事，身後還有保證基本安全的規則演算法。這才是能夠滿足大多數人的自動駕駛系統。

很多人工智慧的演算法，比如感知的進步需要很多標註的資料。面對大規模量產，尤其要關注這個問題。

毫末要做的是一個高效且閉環的標註系統，把無監督自動標註演算法用上。比如車道線識別，目前大部分是透過自動標註完成的。

我們知道感知對場景非常敏感，光影、強度都會對識別有影響。在自然界中採集，相對就會低效。所以，毫末在模擬系統中生成這些目標圖片，然後進行感知和認知的效果驗證，效率被大大提高。

「我們在研究一種端到端的模擬學習，讓演算法能根據之前的事例作為指導改進本車具體動作，」顧維灝說道。「我認為這是自動駕駛的最佳認知學習方式，因為所有場景都可以被數字化感知，所有的標註都已經在開車的過程中自動完成了。我們需要做的就是挑選更符合要求司機的駕駛行為，在不同場景下持續進行訓練。」

模擬學習需要更大的資料樣本，特別是標註好的資料。對此，毫末智行提出了基於無監督演算法的影象自動標註系統，將影象標註速度提升了幾個數量級。

未來在智慧汽車的推動下，人類記錄的資料正在從文字向影象轉變，影象的儲存和計算規模將佔據主導，由此對儲存和計算將帶來新的革命。據顧維灝在演講時介紹，用於自動駕駛的資料處理、訓練、推理和驗證等需求的 MANA 超算中心正在籌備中。

城市級 NOH 輔助駕駛系統，計劃 2022 年上線

顧維灝表示，到明年中，毫末輔助駕駛系統將推出「城市 NOH」功能，透過業界最大算力輔助駕駛域控制器小魔盒 3。0，並針對城市多樣、複雜的路況進行專項最佳化，具備更快、更及時的感知能力和響應能力。

從毫末智行提供的演示中看，現在城市道路中的車輛左轉、右轉、紅綠燈路口，環島路口，避讓路口加塞車輛、避讓調頭車輛、自動透過待轉區、導航變道、避讓橫穿行人、駛入駛出環島、路口無保護左轉等場景都能被 AI 演算法順利搞定。

毫末公佈了自己的乘用車智慧駕駛路線圖：2022 年下半年，其計劃交付全場景 NOH，2023 年推出擁有 HSD（HAOMO Self-Driving）的車隊。

目標：世界級自動駕駛公司

毫末智行的目標是成為世界級自動駕駛公司。這家公司的前身是長城汽車技術中心智慧駕駛前瞻分部，2019 年 11 月，毫末智行正式獨立出來，長城汽車既是毫末智行的大股東，也成為了毫末的主要客戶。

除了長城，毫末智行也與美團、阿里、物美多點等企業在無人物流車上進行了合作。這家公司現在的團隊規模已超過 500 人，擁有保定、北京、上海三個研發中心。

在 AI Day 進行的前一天，毫末智行宣佈獲得近 10 億元人民幣的 A 輪融資，投後估值超過 10 億美元，該公司已成為國內為數不多實現智慧駕駛規模量產的自動駕駛獨角獸企業。據介紹，本輪的投資方為美團、高瓴創投、首程控股等。這是毫末智行年內獲得的第三輪融資。

毫末僅用 24 個月，就把自己的技術覆蓋到了 12 款產品上，搭載該公司產品的乘用車車型達到 5 款，無人物流車車型 5 款，還有兩款無人跟隨裝置，這家公司今年的營收已經達到了數億元。

從人們關注最多的乘用車領域上看，毫末智行自動駕駛系統批次裝配在長城旗下的摩卡、坦克等車型上，輔助駕駛使用者行駛里程累計已突破 400 萬公里。本月，毫末智行還將迎來第 1000 輛末端無人物流車的量產下線。

預計未來三年，毫末的自動駕駛系統將搭載到 100 萬輛長城汽車上，這意味著每年數百億級別的里程。如此大規模的應用，對於自動駕駛演算法帶來的突破可能會是顛覆性的。

毫末智行董事長張凱

「2022 年將是自動駕駛行業發展最為關鍵的一年，乘用車輔助駕駛領域競爭將會正式進入下半場，其他場景的自動駕駛也將正式進入商業化元年」毫末智行董事長張凱說道。

輔助駕駛未來會成為每輛車的標配，毫末已為這次革新做好了準備。